一种基于SRP的多机器人羽流寻源相对导航策略

摘要

本发明属于寻源定位技术领域，特别是涉及一种基于SRP的多机器人羽流寻源相对导航策略，具体为：多机器人在进行羽流寻源过程中，根据羽流相关参数信息、多机器人空间分布构型与羽流空间的相对形位（Spatial Relative Pose，SRP）信息，利用信息熵对相关信息进行筛选、优先级确定，并用决策树算法对其进行决策，确定寻源策略，其包括：策略A—切片随机搜索、策略B—扇形发散逆风搜索、策略C—三角形编队寻源策略。

说明书

技术领域

本发明属于寻源定位技术领域，具体而言，涉及一种基于SRP的多机器人羽流寻源相对导航策略。

背景技术

随着工业制造业的快速发展，石油、煤气、天燃气等易燃易爆、有毒的化工产品在给我们日常生活带来便利的同时，人类也越来越多地面对易燃易爆、有毒介质的泄漏、排放、中毒等事故，给人们的健康和安全带来了现实的危害。因此，尽快地查明泄漏源并及时排险对保障人们的健康和安全具有重要意义。然而，对于目前的多机器人羽流寻源方法存在以下缺陷。

（1）对羽流历史运动信息利用较少，无法获取多机器人几何布局与已探测的羽流空间分布间相对位姿关系，造成对未探测区域的羽流分布及运动趋向预测能力不足，难以规划出当前各机器人的最优运动轨线，致使寻源效率不高。

（2）由于气流变化参数对烟羽的影响、烟羽分布的几何及趋向特征未能完全确定，成功地实现多机器人协同烟羽寻源仍会遇到挑战。

（3）机器人未对丰富的羽流信息进行筛选、优先级确定、优化等，使得机器人寻源中的决策过程偏长，实时性降低。

发明内容

为了克服羽流寻源效率不高、实时性低的问题，本发明提供了一种基于SRP的多机器人羽流寻源相对导航策略，其具体技术方案如下。

一种基于SRP的多机器人羽流寻源相对导航策略，具体步骤如下。

步骤1，多机器人在进行羽流寻源过程中，根据羽流相关参数信息、多机器人空间分布构型与羽流空间的相对形位（Spatial Relative Pose，SRP）信息，利用信息熵对相关信息进行筛选、优先级确定，并用决策树算法对其进行决策，确定寻源策略。

步骤2，若寻源策略为策略A，多机器人将按照风的流向划分为多个区域，每个机器人在各自区域进行随机搜索，直至发现羽流为止。

步骤3，若寻源策略为策略B，多机器人将采用扇形发散阵型进行逆风搜索，直至发现有趋向的羽流为止。

步骤4，若寻源策略为策略C，多机器人将采用改进三角形阵型进行搜索，直至发现羽流源为止。

可选的，步骤1所述羽流相关参数信息可由多机器人上的传感器获得，主要包括有输运介质、羽流的基础参数（温度、压力、雷诺数等）、视觉参数（纹理、色差、灰度等）、运动参数（扩散速率、流向、流速）及化学参数（浓度、成分等），根据已探测的羽流空间分布进而确定羽流空间的相对形位（SRP）信息。

可选的，步骤（1）所述的寻源策略划分为三种：策略A——切片随机搜索、策略B——扇形发散逆风搜索、策略C——三角形编队寻源策略，其中策略A是无羽流信息启用，策略B是羽流无趋向时启用，策略C是羽流有趋向时启用。

可选的，步骤2所述策略A根据机器人的个数n，将要寻源的区域按风的流向划分成n个区域，机器人在各自区域展开随机搜索，每个机器人的寻源路径可由RRT算法（或其他随机算法，如PRM算法）进行确定，当发现羽流时，则转换为领导者跟随策略，发现羽流信息的机器人则为主机器人 M，其余为从机器人 S。

可选的，步骤3所述策略B，由公式1：确定相邻机器人之间的夹角γ；由公式2：确定扇形的圆心角ω；以主机器人M的位置作为扇形的圆心，从机器人分布在主机器人两侧，并且每个机器人之间的夹角为γ，使得机器人寻源的范围为一个扇形，扇形的角平分线与风向相差180°。

可选的，步骤4所述策略C中，位于有趋向羽流中的机器人为领导者机器人 M，其余机器人则为从机器人S，其中至少2个从机器人保持在羽流的两侧边界处，若多机器人个数n>3，则剩下的机器人在有趋向羽流中寻源，并且均匀分布在主机器人两侧，使多机器人阵型保持为三角形。将领导者机器人 M的历史离散运动参数和当前运动参数利用加权最小二乘确定出一条运动轨线；通过机器人空间分布构型和羽流空间相对形位（SRP）来确定主机器人的最优运动轨线；若多机器人个数n>3，位于有趋向羽流中的从机器人运动轨线与主机器人确定最优运动轨线的方法一致；位于羽流边界的从机器人运动大致与主机器人保持一致，但会根据该机器人处的羽流信息进行细微调整以保证其始终位于羽流边界。主机器人沿最优运动轨线直接运动一定距离d后再次进行决策。

附图说明

从以下结合附图的描述，可以进一步理解本发明。

图1是基于 SRP 的多机器人羽流寻源相对导航策略模型结构图。

图2是策略B——扇形发散逆风搜索示意图。

图3是策略C——三角形编队寻源策略示意图。

图4是多机器人空间分布构型与羽流空间的相对形位示意图。

具体实施方式

为了使本发明易于理解，下面结合实例进一步阐述本说明。在下面的具体实施方式部分中，结合作为说明书一部分的附图进行说明。

参见图1为一种基于SRP的多机器人羽流寻源相对导航策略模型结构图，包括以下步骤。

步骤1，多机器人在进行羽流寻源过程中，根据羽流相关参数信息、多机器人空间分布构型与羽流空间的相对形位（Spatial Relative Pose，SRP）信息，利用信息熵对相关信息进行筛选、优先级确定，并用决策树算法对其进行决策，确定寻源策略。

多机器人个数设置为3个，即n=3。

由多机器人上的传感器可获得羽流相关参数信息，主要包括有输运介质、羽流的基础参数（温度、压力、雷诺数等）、视觉参数（纹理、色差、灰度等）、运动参数（扩散速率、流向、流速）及化学参数（浓度、成分等），根据已探测的羽流空间分布进而确定羽流空间的相对形位（SRP）信息。

假定多机器人所处的初始位置处的羽流分布的趋向信息为无羽流。

根据羽流分布的趋向信息确定采用策略A。

步骤2，寻源策略为策略A，多机器人将按照风的流向划分为3个区域，3个机器人在各自区域进行随机搜索，直至发现羽流为止。

每个机器人的寻源路径可由RRT算法（或其他随机算法，如PRM算法）进行确定，当机器人甲发现羽流时，则转换为领导者跟随策略，发现羽流信息的机器人甲则为主机器人M，其余为从机器人 S。

假定机器人甲发现的羽流为无趋向羽流。

根据羽流分布的趋向信息确定采用策略B。

步骤3，寻源策略为策略B，多机器人将采用扇形发散阵型进行逆风搜索，直至发现有趋向的羽流为止。

主机器人M位置保持不变，从机器人S快速向主机器人M运动。

由公式1：确定相邻机器人之间的夹角γ= 60°；由公式2：确定扇形的圆心角ω=120°；以主机器人M的位置作为扇形的圆心，从机器人分布在主机器人两侧，并且每个机器人之间的夹角为γ，使得机器人寻源的范围为一个扇形，扇形的角平分线与风向相差180°。

假定机器人乙发现有趋向的羽流。

机器人乙转换为主机器人M，其余机器人为从机器人，并且启动策略C。

步骤4，寻源策略为策略C，多机器人将采用改进三角形阵型进行搜索，直至发现羽流源为止。

主机器人M位置保持不变，从机器人S1、S2快速向主机器人两侧运动直到羽流边界处，将领导者机器人 M的历史离散运动参数和当前运动参数利用加权最小二乘确定出一条运动轨线；通过机器人空间分布构型和羽流空间相对形位（SRP）来确定主机器人的最优运动轨线；从机器人S1、S2运动大致与主机器人保持一致，但会根据该机器人处的羽流信息进行细微调整以保证其始终位于羽流边界。

假定从机器人S1的羽流浓度增大，则从机器人S1将按照远离主机器人M的方向运动，以保证其始终位于羽流边界处。

假定机器人丙发现羽流源，则结束寻源。

本实例中所用的机器人甲、乙、丙并不代表某一具体机器人，而是泛指某一机器人，固不同步骤中发现羽流分布的趋向信息改变的机器人可能是相同也可能不同。

应当理解，具体实施方式、附图和权利要求书中描述的用来举例说明的实施方式不应认为是对本发明的限定。在阅读了本发明的记载的内容之后，技术人员可以对本发明作各种改动或修改，这些等效变化和修饰同样落入本发明权利要求所限定的范围。

本发明所产生的有益技术效果为。

1.充分利用了羽流历史运动信息，尤其是多机器人空间构型与羽流空间的相对形位（SRP）信息，使机器人的探测能力提高，每一步决策所能运动的有效距离提升，从而提高寻源效率。

主机器人沿最优运动轨线直接运动一定距离后再次进行决策，而不用时时决策，提高了寻源速度。

3.通过引入信息熵对羽流信息进行优选，加速确定羽流分布及运动规律情况，以提高机器人决策的实时性。